[ICAIS 2025] EvoScientist：从自动化实验到自演化 AI 科学家
EvoScientist: Towards Multi-Agent Evolving AI Scientists for End-to-End Scientific Discovery
本文提出了 EvoScientist，这是一个能够实现端到端科学发现的自演化多智能体框架。该系统通过三个专业智能体（研究、工程、演化管理）与持久化记忆模块合作，在科学构思、实验执行和论文撰写全流程中实现了 SOTA 性能，并在 ICAIS 2025 比赛中斩获最佳论文奖。
TL;DR
华为诺亚方舟实验室等机构的研究者提出了 EvoScientist，这是首个通过持久化记忆实现“经验积累”的多智能体科学发现框架。它不仅能写代码、跑实验、投论文，最核心的突破在于它能从失败中学习——通过 Ideation Memory 和 Experimentation Memory，系统能在跨任务的科研探索中不断进化。在 ICAIS 2025（AI 科学家大会）中，该框架生成的 6 篇论文全数被接收。
痛点深挖：AI 科学家为何总是“死循环”？
在 AI Scientist [25] 等前作中，我们已经看到了 AI 自动化生成科研论文的潜力。然而，这些系统存在一个致命的“记忆缺失”问题：
- 静态流水线：逻辑是预设好的，即便某个思路在 A 实验中失败了，系统在 B 任务中可能还会踩同样的坑。
- 缺乏经验蒸馏：历史实验的 Trace 被直接丢弃，无法内化为智能体的“科研直觉”。
- 不可行性陷阱：频繁产生看似亮眼但技术上根本无法实现的 Idea。
Methodology：赋予 AI “科研直觉”
EvoScientist 的核心架构由三类 Agent 组成，形成了一个完美的 OODA（观察-调整-决策-行动）闭环：
1. 研究智能体 (Researcher Agent, RA)
利用 Idea Tree Search（构思树搜索），通过“提议-评论-优化”的博弈过程生成 Idea。最关键的是，它会从“构思记忆”中检索出以往被验证为“可行”或“坑点”的方向，以此调整当前的研究假设。
2. 工程智能体 (Engineer Agent, EA)
负责将 Idea 转化为可执行的代码。EA 同样具备 Experiment Tree Search（实验树搜索）能力，并能从“实验记忆”中获取最优的数据预处理模版和超参设置。
3. 演化管理智能体 (Evolution Manager Agent, EMA) —— 系统的大脑
这是本文最大的贡献。EMA 在每个任务结束后，会自动分析：
- Idea Direction Evolution：哪些方向是真正新颖且可行的？
- Idea Validation Evolution：哪些 Idea 在代码实现阶段崩了？
- Experiment Strategy Evolution：什么样的 Debug 策略最有效？
这些结论被写入持久化数据库，供后续任务检索。
实验结果：冠军级的表现
在与 Virtual Scientist、AI Scientist-v2 等顶尖系统的对比中，EvoScientist 展现了压倒性的优势。
- 全维度超越：不论是 LLM 自动评价还是 PhD 级的人类专家评价，EvoScientist 在新颖性（Novelty）和可行性（Feasibility）上均大幅领先。
- 实验执行率：通过实验策略演化，代码执行成功率提升了近 10.17%。
更令人惊叹的是其在 ICAIS 2025 上的战绩：
- 生成的《Adaptive Evidential Meta-Learning...》获得了 Best Paper Award。
- 评审反馈显示，AI 不仅给出了漂亮的公式，其设计的实验流程展现出了极高的“工程实用性”。
深度洞察与总结
EvoScientist 的成功标志着 AI 科研从“暴力搜索（Tree Search）”向“经验驱动（Self-Evolution）”的跨越。
它的局限性： 目前系统仍集中在计算驱动的 AI 领域。如果要迁移到材料科学或生物化学，如何将在实验室内发生的“物理反馈”转化为 EMA 能够理解的“文本教训”，将是下一个巨大的挑战。
总结 (Takeaway)： 未来的科研不再仅仅是比拼算力，更是比拼“闭环学习能力”。EvoScientist 告诉我们，一个会从 Bug 和退稿信中学习的 AI，才是真正的科学家。